在推荐系统中,评测效果,除了离线的AUC,更合理的方法是通过线上真实的AB测试,来比较策略的效果。
AB测试来自医学的双盲实验,在双盲测试中:
1、病人随机被分成两组,在不知情的情况下,分别服用安慰剂跟测试用药
2、经过一段时间后,再来比较两组病人的表现是否有显著差异。
从而决定药物是否真的有用。
互联网行业的AB测试类似,对于一个策略/UI,在同一个时间维度,保证其他体验一致的情况下,分析实验组跟对照组的区别,以便做决策判断。
因为经常接触AB测试,以及看到了国内一些公司的AB平台不同的设计实现方法,整理一下AB测试平台相关知识。
本文从以下方面讨论。
2.1 单层实验:方法以及问题
2.2 多层重叠实验架构:一切从google的论文说起
2.3 国内公司的解决方案文章分享
2.1.1 方法
顾名思义,单层实验的模式是:
1、把所有的用户放在一起,有相互独立的用户标识(比如cid,uid,cookis等)
2、以某种分流的方法(比如随机),给每个实验组,分配一定的用户。
3、每个实验分到的用户正交
2.1.2 问题
单层实验一定程度说是可行的,但是会遇到一定的问题
1、流量饥饿问题:假设我们整体用户要做5个实验,如果前2个实验占据了大部分的流量,后面的3个实验就有很少的流量可以供使用,甚至没有流量可用。扩展性差,只能同时支持少量实验。但是以数据驱动的业务,需要极快的创新速度,大量的创新需要被测试,会严重delay业务。
2、流量偏置问题:如果在单层同时进行多个实验,实验之间不是独立事件,并行的时候,同一个策略,只能进行一个实验,如果多个并行支持,无法实现。不同策略之间也有影响。假设上游的实验把所有的年轻人都获取了,下游的实验,没有年轻人的样本。导致有偏差。
Google在2010年的KDD上公布了自己的分层实验框架,之后,国内的大部分的AB测试平台,都是基于此论文建设。首先分享一下这篇论文的英文版以及中文翻译版
中文版:https://www.csdn.net/article/2015-01-09/2823499
英文版:https://research.google.com/pubs/pub36500.html
2.2.1 设计实验平台的目标
2.2.2 手段
2.2.3 具体设计:分流模型
名词概念解释:
域(domain):划分的一部分流量
层(layer):系统参数的一个子集
实验(exp):在一个域上,对一个或者多个参数修改,改变请求路径的过程
简单的理解,我们把流量在纵向上的划分叫做域(domain),流量请求从纵向判断先开始。然后我们把横向上的划分,称为层(layer),在同一个层,不同策略(exp)是隔离开的,一个策略(exp),可以被多个层控制,每个层都可以有多个实验。流量在每个层都会被重新打散。
流量在每个层被打散的方法,称之为 分配函数,google在论文里提到了四种(因为是基于PC搜索,所以用户标识是cookie)。支持多种流量分配类型的主要目的一方面是为了保持处理的一致性,另外也希望覆盖到所有的情况。
1、user_id mods = f(user_id,layer)%100
2、cookies mods= f(cookies,layer)%100
3、cookie-day mods= f(cookie-day,layer)%100
4、random=f(random)
AB测试所最常见的hash函数,是2008年才被发明的MurmurHash,速度快效果好。
这其中有两种特殊的情况:
1)condition:用户样本有特殊要求,在通过分配函数分配到一部分流量后,部分实验可以通过 分流条件(condition)仅分配特定条件的流量给实验或域,以达到更高效利用流量的目的。典型的条件比如:国家(google是全球的产品),语言,浏览器等。分配条件一般直接在实验或者域的配置中指定。
2)trigger:实验触发条件有特殊要求,仅在某些请求下触发,而这种实时计算类的没有办法事先分配好,只能通过程序自己判断。这种情况下,重要的工作是记录事实(factual,当实验被触发)跟反事实(counter-factual,当实验可以被触发)。反事实在对比实验中记录。
下图是整个AB实验用户实验列表Re的判断流程
2.2.4 具体设计:具体实验流量分配
有了分流模型,流量分配函数,我们在做实验的时候,还需要注意,AB平台能够很好的指导业务,准确的进行实验。
准确的进行实验,有几个关键事项:1)实验合理性 2)代码准确性&数据准确性 3)实验结果置信保证 4)实时监控。
1)实验合理性
google的做法是,有一个实验委员会,每次实验的时候,实验者提供一个简单的checklist,checklist中需要保护以下的问题答案:
2)代码准确性&数据准确性
一些基础的检查,比如 是否所有必填字段都填写了,对照组跟实验组是否流量一致大小,是否跟别的实验有冲突等
3)实验结果置信保证
update:2020-03-31
https://likun.pm/blog/3452.html 这部分可以直接看这个文章
这节很重要,个人感觉是分流模型外,论文里最重要的部分。首先,很多人分配流量都是凭借直觉,或者有多少就用多少。最后的数据结果不置信,反而对产品有负向伤害。简单的说,这种 "抽取样本来估计全局"的实验,需要保证"样本的结果能够代表全局",即样本量应该让实验有足够的统计意义。
一个实验的有效规模,google定义为:
为了求N,需要有几个先验的参数:
备注:s怎么求:,其中E为误差=测定值—真实值。
如果实验组大小=对照组大小,比如实验组=2N,那么2N必须大于等于才能满足最小变化检测需求。其中 16,是根据置信度(通常取95%,
),期望的统计功效(通常为80%,
)决定。
谷歌在每一层共享一个对照组,被多个实验共享。如果对照组比实验组大很多,系数就可以用10.5,而不是16.(不用取2N,取N)
真实实验中,不同指标,不同分配方法有不同的s,google提供了一个工具,可以让实验者权衡流量大小与敏感度。为了保证置信区间的正确性,一直进行一组 同质测试,来检测指标的自然变化。
4)实时监控
google有实时监控,检测某些指标超出正常值范围的波动。
2.2.5 具体设计:实验数据分析工具
1)正确的计算跟显示置信区间
2)很好的图形化界面
3)很好的理解数据,比如 辛普森悖论的观察跟理解
4)一致性有唯一的实现保证,比如 使用相同的spam过滤器
5)讨论会,专门的讨论解读数据
2.2.6 最后
最后总结的时候比较散,写的太长了,不想写了。
有一个比较想说的,就是google把历史的ab测试总结起来,做了一个知识库,这个挺好,有助于总结学习。
然后即使是google,也经常有错误,比如日志经常不对。
大部分国内公司的解决方案,都是根据google的论文做的,但是在分层上,有根据业务划分的,有根据用户画像划分的(取决于实际的AB测试环境要求)。
这篇文章更多偏向google的理论解读,下一篇文章将基于国内目前有的公司的架构以及goole的理论,详细介绍一下AB测试平台的一种工程实现。
收集的一些国内公司的文章介绍如下:
大众点评:Gemini https://www.csdn.net/article/2015-03-24/2824303
微博广告:Faraday http://blog.csdn.net/petpig0312/article/details/73825986
阿里的一个文章:http://blog.sina.com.cn/s/blog_e59371cc0102vopg.html
PPTV:https://www.cnblogs.com/sunxf2011/p/5793267.html
最后,分享一个网站